Program Studi Manajemen • FEB

Seminar Bisnis Internasional

Pertemuan 9 — Populasi, Sampel, dan Teknik Pengumpulan Data

Menentukan siapa yang diteliti, berapa banyak, dan bagaimana datanya diambil — fondasi Bab 3 proposal skripsi Anda.

RPS MINGGU 10 • 2 × 50 MENIT

Selamat datang kembali di Seminar Bisnis Internasional. Pekan lalu Anda sudah membedah beberapa artikel jurnal untuk merancang desain penelitian; hari ini kita masuk ke pertanyaan yang sangat konkret dan sering bikin mahasiswa buntu saat menulis Bab 3: siapa sebenarnya yang mau Anda teliti, berapa banyak orang atau perusahaan yang cukup untuk mewakili mereka, dan bagaimana cara Anda benar-benar mengumpulkan datanya. Bayangkan Anda ingin meneliti keputusan ekspor UMKM di Jawa Tengah — Anda tidak mungkin mendatangi semua UMKM satu per satu, jadi Anda perlu strategi yang masuk akal secara ilmiah maupun praktis. Pertemuan ini akan memberi Anda kerangka untuk menjawab tiga pertanyaan itu secara sistematis, lengkap dengan cara menghitung ukuran sampel memakai rumus yang benar-benar bisa Anda pakai sendiri di proposal. Siapkan topik penelitian Anda masing-masing karena kita akan langsung mempraktikkannya di akhir kelas.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda mampu menentukan populasi, sampel, dan teknik pengumpulan data yang tepat untuk proposal penelitian bisnis internasional Anda.

CAPAIAN 1

POPULASI

Mendefinisikan populasi dan unit analisis penelitian secara presisi, bukan sekadar "perusahaan di Indonesia".

CAPAIAN 2

SAMPLING

Membedakan probability dan non-probability sampling, memilih teknik yang cocok untuk topik masing-masing.

CAPAIAN 3

UKURAN

Menghitung ukuran sampel minimum memakai rumus Slovin dan aturan praktis rasio-item SEM.

CAPAIAN 4

INSTRUMEN

Merancang teknik pengumpulan data (kuesioner, wawancara, data sekunder) yang sesuai desain penelitian.

Keempat capaian ini adalah penjabaran Sub-CPMK minggu kesepuluh: menentukan populasi, sampel, dan teknik pengumpulan data. Pertama, Anda harus bisa mendefinisikan populasi secara presisi — bukan asal-asalan "seluruh perusahaan di Indonesia", karena definisi yang kabur akan membuat penarikan sampel Anda tidak masuk akal. Kedua, kita akan bedah dua keluarga besar teknik sampling, probability dan non-probability, dan kapan masing-masing dipakai. Ketiga, bagian yang paling praktis, Anda akan belajar menghitung sendiri berapa jumlah responden minimum yang Anda butuhkan, memakai rumus Slovin yang sangat umum dipakai skripsi manajemen di Indonesia. Keempat, kita bicarakan cara mengambil datanya: kuesioner ke karyawan Unilever, wawancara ke eksportir furnitur Jepara, atau data sekunder dari laporan tahunan BEI. Di akhir kelas, Anda semestinya sudah bisa menulis draft sub-bab populasi dan sampel untuk proposal Anda sendiri.

Mengapa Bagian Ini Sering Membuat Proposal Ditolak?

Bayangkan Anda mengajukan proposal ke dosen pembimbing dengan judul "Pengaruh Orientasi Ekspor terhadap Kinerja UMKM di Indonesia". Tiga pertanyaan berikut akan langsung muncul:

PERTANYAAN 1

SIAPA?

"UMKM di Indonesia" itu jutaan unit usaha — sektor apa, skala apa, sudah ekspor atau belum?

PERTANYAAN 2

BERAPA?

Anda tidak mungkin survei semuanya. Berapa responden yang cukup secara ilmiah dan realistis secara waktu/biaya?

PERTANYAAN 3

BAGAIMANA?

Data diambil lewat kuesioner online, wawancara tatap muka, atau laporan keuangan yang sudah dipublikasikan?

Proposal yang gagal menjawab tiga pertanyaan ini secara spesifik adalah penyebab revisi Bab 3 paling umum di sidang proposal — bukan karena topiknya buruk, tapi karena metodenya tidak bisa dieksekusi.

Ini bukan cerita hipotetis — hampir setiap semester ada mahasiswa yang proposalnya diminta revisi total di sub-bab populasi dan sampel, padahal topiknya sendiri sudah menarik. Coba bayangkan Anda jadi dosen penguji: kalau mahasiswa bilang populasinya adalah "UMKM di Indonesia", pertanyaan pertama Anda pasti "UMKM yang mana? Yang bergerak di kuliner, kerajinan, atau tekstil? Yang sudah ekspor atau yang baru berencana ekspor?" Tanpa batasan yang jelas, penelitian jadi mustahil dieksekusi karena kerangka sampelnya tidak pernah ada satu daftar resmi UMKM se-Indonesia yang bisa diakses. Begitu juga soal jumlah — mengaku "akan menyebar kuesioner ke banyak responden" tanpa angka pasti akan langsung dipertanyakan dasar perhitungannya. Hari ini kita akan menjawab ketiga pertanyaan besar ini satu per satu dengan kerangka yang jelas dan bisa Anda terapkan langsung ke proposal masing-masing.

Bagian 1 dari 3

Populasi dan Unit Analisis

Menentukan secara presisi siapa atau apa yang menjadi objek kesimpulan penelitian Anda.

Apa Itu Populasi Penelitian?

Populasi adalah keseluruhan objek/subjek yang memiliki karakteristik tertentu yang ditetapkan peneliti untuk dipelajari dan ditarik kesimpulannya (Sugiyono, 2019). Populasi bukan sekadar "orang banyak" — ia harus dibatasi jelas.

Populasi = Elemen + Cakupan wilayah + Batas waktu + Karakteristik khusus

Contoh: Judul vs Populasi yang Presisi

Terlalu kabur

"UMKM di Indonesia"
"Perusahaan yang melakukan ekspor"

Presisi (bisa dieksekusi)

UMKM sektor kerajinan di Jepara yang aktif ekspor per 2025
Perusahaan manufaktur Tbk di BEI dengan penjualan ekspor >10% total pendapatan, laporan tahunan 2023–2024

Definisi dari Sugiyono ini sudah sangat sering dikutip di skripsi manajemen Indonesia, jadi hafalkan strukturnya: populasi harus punya elemen yang jelas, cakupan wilayah, batas waktu, dan karakteristik khusus. Bandingkan dua contoh di kartu ini — "UMKM di Indonesia" itu terdengar meyakinkan di judul, tapi begitu Anda coba tentukan cara menariknya jadi sampel, Anda akan sadar tidak ada satu pun kerangka sampel resmi yang mencakup semua UMKM Indonesia. Sebaliknya, "UMKM sektor kerajinan di Jepara yang aktif ekspor per 2025" itu punya batas wilayah, batas waktu, dan karakteristik khusus yang membuatnya bisa dicari lewat data Dinas Koperasi setempat atau asosiasi eksportir. Latihan sederhana untuk Anda: coba tuliskan populasi topik penelitian Anda sendiri, lalu cek apakah keempat unsur ini sudah ada semua.

Populasi, Unit Analisis, dan Sampel — Jangan Tertukar

Tiga istilah ini sering dipakai bergantian secara keliru dalam draft proposal mahasiswa. Perhatikan bedanya.

Populasi = semesta (N) • Sampel = bagian yang diambil (n) • Unit analisis = satuan tunggal yang datanya dikumpulkan (bisa individu, perusahaan, negara, transaksi).

Diagram ini membantu Anda melihat hierarkinya secara visual: populasi adalah kotak terbesar, sampel adalah bagian yang benar-benar Anda ambil datanya, dan unit analisis adalah satuan tunggal di dalam sampel itu. Untuk penelitian tentang kinerja ekspor perusahaan Tbk, populasinya adalah seluruh 187 perusahaan manufaktur yang tercatat di Bursa Efek Indonesia, sampelnya mungkin 130 perusahaan yang memenuhi kriteria Anda, dan unit analisisnya adalah satu perusahaan per satu observasi laporan tahunan. Kesalahan umum mahasiswa adalah menyebut unit analisis sebagai "sampel" atau sebaliknya — padahal keduanya konsep berbeda: sampel adalah kelompok, unit analisis adalah satuan pengamatan di dalam kelompok itu. Untuk penelitian dengan level individu, misalnya survei karyawan Tokopedia tentang budaya organisasi, unit analisisnya adalah satu karyawan, bukan satu perusahaan.

Coba Sendiri: Bedakan Populasi, Sampel, dan Unit Analisis

Masukkan topik penelitian Anda, lalu lihat bagaimana ketiga lapisan hierarki ini terisi dengan contoh konkretnya masing-masing.

Menyaring Populasi: Kriteria Inklusi dan Eksklusi

Setelah populasi didefinisikan luas, Anda perlu kriteria inklusi (syarat masuk) dan kriteria eksklusi (syarat dikeluarkan) agar populasi target benar-benar homogen dan relevan.

Contoh: Studi Ekspor Perusahaan Manufaktur Tbk di BEI

Kriteria Inklusi

Terdaftar di BEI sektor manufaktur per 2024
Menyajikan laporan tahunan lengkap 2021–2024
Memiliki pendapatan dari ekspor (disebutkan di catatan laporan keuangan)

Kriteria Eksklusi

Delisting atau suspensi selama periode amatan
Data laporan tahunan tidak lengkap/tidak tersedia
Mengalami merger/akuisisi besar yang mengubah struktur bisnis

Kriteria inklusi dan eksklusi ini adalah alat penyaring supaya populasi target Anda benar-benar bisa diukur dan konsisten. Bayangkan Anda meneliti kinerja ekspor perusahaan manufaktur Tbk, tapi ada beberapa perusahaan yang delisting di tengah periode amatan atau datanya tidak lengkap di laporan tahunan — kalau tetap dimasukkan, hasil analisis Anda menjadi bias karena datanya pincang. Dengan menuliskan kriteria inklusi dan eksklusi secara eksplisit, Anda memberi jawaban yang jelas kepada penguji ketika ditanya "kenapa 187 perusahaan menjadi 130?" — karena ada proses penyaringan yang sistematis, bukan asal pilih. Latihan yang sangat berguna sebelum menulis Bab 3: buat daftar kriteria inklusi-eksklusi topik Anda sendiri di selembar kertas, lalu diskusikan dengan kelompok Anda apakah kriterianya sudah cukup ketat tapi tetap realistis.

Bagian 2 dari 3

Teknik Sampling

Probability vs non-probability sampling — dan bagaimana memilih yang tepat untuk topik penelitian Anda.

Setelah populasi Anda jelas, pertanyaan berikutnya adalah bagaimana cara menariknya jadi sampel. Ada dua keluarga besar teknik sampling yang perlu Anda kuasai: probability sampling, di mana setiap anggota populasi punya peluang diketahui untuk terpilih, dan non-probability sampling, di mana pemilihannya berdasarkan pertimbangan atau kemudahan akses peneliti. Pilihan di antara keduanya bukan soal mana yang "lebih baik" secara mutlak, melainkan soal mana yang cocok dengan sifat data dan tujuan generalisasi penelitian Anda. Kalau Anda meneliti seluruh populasi terukur seperti perusahaan Tbk di BEI, probability sampling sangat mungkin dilakukan. Tapi kalau Anda meneliti fenomena spesifik seperti pengalaman ekspatriat bekerja di perusahaan multinasional Jepang di Indonesia, non-probability sampling sering menjadi pilihan yang lebih realistis.

Probability Sampling: Setiap Anggota Punya Peluang Terpilih

Dipakai ketika kerangka sampel (daftar lengkap populasi) tersedia dan tujuan penelitian adalah generalisasi statistik ke populasi.

SIMPLE RANDOM

ACAK SEDERHANA

Setiap anggota populasi diundi dengan peluang sama, misalnya memakai fungsi random di Excel dari daftar 187 emiten BEI.

STRATIFIED

BERSTRATA

Populasi dibagi per strata (mis. sektor industri) lalu diambil sampel proporsional dari tiap strata agar representatif.

CLUSTER

KLASTER

Populasi dibagi jadi klaster (mis. per provinsi), lalu beberapa klaster diambil acak dan seluruh anggotanya diteliti.

SYSTEMATIC

SISTEMATIS

Anggota dipilih tiap interval ke-k dari daftar terurut, misalnya tiap perusahaan ke-3 dari daftar emiten yang diurutkan abjad.

Keempat teknik ini punya satu benang merah: peluang setiap anggota populasi untuk terpilih diketahui dan bisa dihitung, sehingga hasilnya bisa digeneralisasi secara statistik ke populasi. Simple random cocok kalau populasi Anda relatif homogen dan kerangka sampelnya lengkap, misalnya daftar 187 emiten manufaktur di BEI yang Anda undi dengan Excel. Stratified sampling Anda pakai kalau populasi punya sub-kelompok yang berbeda karakteristik, misalnya sektor otomotif versus sektor tekstil, supaya masing-masing terwakili proporsional. Cluster sampling berguna kalau populasi tersebar secara geografis luas, seperti meneliti UMKM ekspor di seluruh provinsi Indonesia — Anda ambil beberapa provinsi secara acak lalu teliti semua UMKM di provinsi terpilih itu, jauh lebih hemat biaya daripada mendatangi semua provinsi. Systematic sampling adalah jalan pintas praktis ketika Anda punya daftar terurut dan ingin proses pemilihan yang cepat tapi tetap punya unsur acak.

Coba Sendiri: Bandingkan Empat Teknik Probability Sampling

Klik tiap teknik untuk melihat ilustrasi cara kerjanya dan kapan teknik itu paling cocok dipakai.

Non-Probability Sampling: Berdasarkan Pertimbangan Peneliti

Dipakai ketika kerangka sampel lengkap tidak tersedia, atau tujuan penelitian adalah eksplorasi mendalam, bukan generalisasi statistik ketat.

PURPOSIVE

BERTUJUAN

Responden dipilih karena memenuhi kriteria spesifik, misalnya manajer ekspor yang ≥3 tahun menangani pasar ASEAN.

CONVENIENCE

KEMUDAHAN

Responden dipilih karena mudah diakses, misalnya mahasiswa FEB UNDIP yang sedang magang di perusahaan multinasional.

SNOWBALL

BOLA SALJU

Responden awal merekomendasikan responden berikutnya — cocok untuk populasi sulit dijangkau, mis. eksportir informal.

QUOTA

KUOTA

Menentukan jumlah target per kategori (mis. 50 UMKM kuliner, 50 UMKM kerajinan) tanpa proses acak dalam kategori.

Non-probability sampling tidak bisa mengklaim generalisasi statistik ke populasi luas — kesimpulan Anda berlaku untuk sampel yang diteliti, bukan seluruh populasi. Nyatakan ini sebagai keterbatasan penelitian di Bab 3.

Empat teknik ini sangat umum dipakai skripsi manajemen karena kerangka sampel yang ideal jarang tersedia lengkap di Indonesia. Purposive sampling Anda pakai kalau butuh responden dengan kriteria sangat spesifik, misalnya hanya manajer yang benar-benar menangani ekspor ke ASEAN, bukan manajer keuangan pada umumnya. Convenience sampling paling sering dipakai mahasiswa karena praktis — menyebar kuesioner ke teman satu angkatan yang magang di perusahaan multinasional — tapi risikonya representasi yang bias karena hanya menjangkau lingkaran terdekat. Snowball sampling berguna untuk populasi yang sulit dijangkau lewat daftar resmi, misalnya eksportir kerajinan informal di Jepara yang tidak terdaftar di asosiasi manapun — satu responden mengenalkan Anda ke responden berikutnya. Quota sampling menetapkan target jumlah per kategori tapi pemilihan dalam kategori tidak acak. Yang paling penting, tekankan ke mahasiswa: teknik non-probability membatasi klaim generalisasi Anda, dan ini harus jujur dituliskan sebagai keterbatasan penelitian, bukan disembunyikan.

Cara Memilih Teknik Sampling yang Tepat

Tiga pertanyaan pemandu untuk menentukan teknik sampling penelitian Anda:

Pertanyaan	Jika "Ya"	Jika "Tidak"
Apakah daftar lengkap populasi (kerangka sampel) tersedia?	Probability sampling memungkinkan	Pertimbangkan non-probability
Apakah tujuan penelitian generalisasi statistik ke populasi luas?	Prioritaskan probability sampling	Non-probability cukup memadai
Apakah populasi memiliki sub-kelompok yang berbeda karakteristik?	Pertimbangkan stratified sampling	Simple random cukup

Contoh keputusan: penelitian pengaruh kurs terhadap kinerja ekspor 130 emiten BEI → daftar tersedia lengkap + tujuan generalisasi statistik → pilih simple random atau stratified sampling.

Tabel ini adalah alat bantu keputusan praktis yang bisa langsung Anda pakai saat menulis Bab 3. Pertanyaan pertama menentukan apakah probability sampling secara teknis memungkinkan — kalau Anda meneliti emiten BEI, daftarnya jelas dan lengkap di situs resmi bursa, jadi probability sampling sangat mungkin. Pertanyaan kedua soal tujuan penelitian Anda: kalau Anda ingin mengklaim "hasil ini berlaku untuk seluruh perusahaan manufaktur Indonesia", Anda wajib memakai probability sampling agar klaim itu sah secara statistik. Pertanyaan ketiga soal heterogenitas populasi — kalau populasi Anda punya sub-kelompok yang jelas berbeda, seperti sektor otomotif versus sektor makanan-minuman, stratified sampling akan memberi representasi yang lebih adil dibanding simple random murni. Contoh di bawah tabel menunjukkan bagaimana ketiga pertanyaan ini digabungkan menjadi satu keputusan metodologis yang bisa Anda pertahankan di sidang proposal.

Coba Sendiri: Pilih Teknik Sampling untuk Topik Anda

Jawab tiga pertanyaan pemandu tentang kondisi penelitian Anda, lalu widget merekomendasikan teknik sampling yang paling sesuai.

Hitung dari Nol: Ukuran Sampel dengan Rumus Slovin

Populasi UMKM ekspor kerajinan di Jepara: N = 320 unit usaha. Toleransi kesalahan (margin of error) yang diterima: e = 8%.

n = N ÷ (1 + N × e²)

Langkah	Perhitungan	Nilai
1. Kuadratkan margin of error	e² = 0,08 × 0,08	0,0064
2. Kalikan dengan populasi N	N × e² = 320 × 0,0064	2,048
3. Tambahkan 1	1 + N × e² = 1 + 2,048	3,048
4. Bagi populasi dengan hasil langkah 3	n = 320 ÷ 3,048	105,0

UKURAN SAMPEL MINIMUM

105

responden/unit usaha (dibulatkan ke atas dari 104,97)

Rumus Slovin ini adalah rumus paling umum dipakai skripsi manajemen di Indonesia untuk menentukan ukuran sampel minimum dari populasi yang diketahui jumlahnya. Mari kita hitung bersama, langkah demi langkah, dengan angka konkret: populasi 320 UMKM ekspor kerajinan di Jepara, dan kita menerima margin of error 8 persen, yang berarti kita menerima kemungkinan kesalahan generalisasi maksimal 8 persen. Langkah pertama, kita kuadratkan margin of error itu: 0,08 dikali 0,08 sama dengan 0,0064. Langkah kedua, kalikan hasil itu dengan populasi 320, hasilnya 2,048. Langkah ketiga, tambahkan angka 1, menjadi 3,048. Langkah keempat, bagi populasi 320 dengan angka 3,048 tadi, hasilnya 104,97, yang kita bulatkan ke atas menjadi 105 responden. Ingat, pembulatan ukuran sampel selalu ke atas, bukan ke bawah, supaya margin of error yang Anda janjikan tetap terpenuhi. Coba ganti angka populasi dan margin of error dengan topik Anda sendiri di kalkulator, lalu bandingkan hasilnya dengan teman sebangku.

Coba Sendiri: Kalkulator Ukuran Sampel Slovin

Ubah angka populasi dan margin of error untuk melihat bagaimana ukuran sampel berubah secara langsung.

Alternatif: Aturan Rasio Item untuk Kuesioner SEM/SmartPLS

Jika penelitian Anda memakai SEM (Structural Equation Modeling, model persamaan struktural) dengan kuesioner Likert, populasi tidak selalu diketahui pasti — dipakai aturan rasio item indikator × 5 sampai 10.

Walkthrough: Kuesioner Orientasi Ekspor UMKM

Langkah 1 — hitung total item

3 variabel × rata-rata 6 item indikator per variabel = 18 item total di kuesioner.

Langkah 2 — kalikan rasio minimum

18 item × 5 (rasio minimum) = 90 responden sebagai batas bawah ukuran sampel.

Rasio 10× (18 × 10 = 180 responden) dianjurkan bila ingin hasil estimasi model lebih stabil — pilih sesuai sumber daya yang tersedia.

Untuk penelitian yang memakai model persamaan struktural seperti SEM atau SmartPLS — biasanya penelitian dengan variabel laten seperti orientasi ekspor, kepercayaan, atau komitmen yang diukur lewat beberapa item pertanyaan — rumus Slovin kurang cocok karena populasi persisnya sering tidak diketahui. Sebagai gantinya, kita pakai aturan praktis rasio item terhadap responden. Mari ikuti walkthrough-nya: bayangkan kuesioner Anda mengukur 3 variabel, misalnya orientasi ekspor, kapabilitas jaringan, dan kinerja ekspor, dengan rata-rata 6 item pertanyaan per variabel, sehingga totalnya 18 item. Langkah kedua, kalikan 18 item itu dengan rasio minimum 5, hasilnya 90 responden sebagai batas bawah yang harus Anda penuhi. Kalau sumber daya memungkinkan, rasio 10 kali lipat, yaitu 180 responden, akan memberi hasil estimasi yang jauh lebih stabil secara statistik. Aturan ini banyak dirujuk dari pedoman Hair dan kawan-kawan dalam buku metodologi SEM-PLS yang sering dipakai skripsi manajemen di Indonesia.

Bagian 3 dari 3

Teknik Pengumpulan Data

Kuesioner, wawancara, observasi, dan data sekunder — memilih instrumen yang cocok dengan desain penelitian Anda.

Setelah Anda tahu siapa populasinya dan berapa besar sampelnya, langkah selanjutnya adalah menentukan bagaimana data itu benar-benar diambil dari lapangan. Ada dua sumber besar data dalam penelitian bisnis: data primer, yang Anda kumpulkan sendiri langsung dari sumbernya lewat kuesioner atau wawancara, dan data sekunder, yang sudah tersedia dari sumber lain seperti laporan tahunan perusahaan atau publikasi BPS. Pilihan teknik pengumpulan data harus konsisten dengan desain penelitian yang sudah Anda tentukan di pertemuan sebelumnya — penelitian kuantitatif eksplanatori biasanya memakai kuesioner berskala Likert, sementara penelitian kualitatif eksploratif lebih mengandalkan wawancara mendalam. Mari kita bahas satu per satu supaya Anda bisa memilih instrumen yang paling pas untuk topik masing-masing.

Data Primer vs Data Sekunder

Data Primer

Dikumpulkan langsung dari sumber pertama oleh peneliti sendiri.

Kuesioner — survei berskala Likert ke karyawan/manajer
Wawancara — mendalam (in-depth) atau terstruktur
Observasi — pengamatan langsung proses bisnis

Data Sekunder

Sudah dikumpulkan pihak lain, dianalisis ulang oleh peneliti.

Laporan tahunan — emiten BEI, idx.co.id
Data instansi — BPS, Kementerian Perdagangan, BI
Basis data internasional — UN Comtrade, World Bank

Penelitian bisnis internasional sering menggabungkan keduanya, misalnya kuesioner orientasi ekspor (primer) dipadukan data realisasi ekspor dari BPS (sekunder) untuk triangulasi.

Perbedaan data primer dan sekunder ini penting karena keduanya punya konsekuensi berbeda untuk metode dan waktu penelitian Anda. Data primer, seperti kuesioner ke karyawan Tokopedia tentang budaya kerja atau wawancara mendalam dengan pemilik UMKM ekspor, memberi Anda kontrol penuh atas variabel yang diukur, tapi butuh waktu dan izin akses yang tidak selalu mudah didapat. Data sekunder, seperti laporan tahunan emiten yang bisa diunduh gratis dari situs resmi Bursa Efek Indonesia atau data ekspor-impor dari BPS dan UN Comtrade, jauh lebih cepat diakses dan bebas bias wawancara, tapi Anda terikat pada variabel yang sudah tersedia — Anda tidak bisa menambah pertanyaan baru. Banyak skripsi bisnis internasional yang bagus justru menggabungkan keduanya, misalnya menyebar kuesioner tentang orientasi ekspor ke manajer UMKM sebagai data primer, lalu memverifikasi klaim kinerja ekspor mereka dengan data realisasi ekspor resmi dari instansi pemerintah sebagai data sekunder.

Merancang Instrumen Kuesioner: Skala Likert

Skala Likert mengukur sikap/persepsi responden dalam rentang bertingkat, umumnya 1 (sangat tidak setuju) sampai 5 (sangat setuju).

Contoh item indikator variabel Orientasi Ekspor: "Perusahaan kami secara aktif mencari peluang pasar di luar negeri." — responden memilih 1–5 sesuai tingkat kesetujuan.

Skala Likert ini adalah instrumen paling umum dipakai skripsi manajemen kuantitatif karena mudah diolah secara statistik dan sudah sangat familiar bagi responden di Indonesia, baik karyawan perusahaan maupun pemilik UMKM. Rentang 1 sampai 5 yang Anda lihat di diagram ini adalah standar paling sering dipakai, meski ada juga yang memakai rentang 1 sampai 7 untuk variasi yang lebih halus. Perhatikan contoh item di bawah diagram: pernyataan "perusahaan kami secara aktif mencari peluang pasar di luar negeri" adalah satu indikator dari variabel orientasi ekspor, dan responden memilih angka 1 sampai 5 sesuai tingkat kesetujuan mereka. Ingat dari materi SEM tadi, satu variabel biasanya butuh beberapa item indikator seperti ini, bukan cuma satu pertanyaan, supaya pengukurannya lebih valid dan reliabel. Saat menulis kuesioner Anda sendiri, pastikan setiap item hanya mengukur satu gagasan — hindari pertanyaan ganda seperti "perusahaan kami aktif ekspor dan berencana ekspansi", karena responden bisa bingung menjawab yang mana.

Coba Sendiri: Susun Item Kuesioner Skala Likert Anda

Tuliskan indikator variabel Anda, lalu lihat bagaimana item itu otomatis berubah menjadi pernyataan kuesioner Likert 1-5.

Hitung dari Nol: Response Rate Kuesioner

Anda menyebar kuesioner ke 150 manajer ekspor UMKM. Yang kembali 112 kuesioner, namun 7 di antaranya tidak lengkap dan harus dibuang.

Langkah	Perhitungan	Nilai
1. Kuesioner valid (kembali − tidak lengkap)	112 − 7	105
2. Bagi kuesioner valid dengan yang disebar	105 ÷ 150	0,70
3. Ubah ke persentase	0,70 × 100	70%
4. Bandingkan dengan target minimum Slovin (105)	105 vs 105	Tepat memenuhi

RESPONSE RATE

70%

105 dari 150 kuesioner valid — tepat memenuhi target n=105 dari Slide 12

Response rate adalah angka yang wajib Anda laporkan di Bab 3 maupun Bab 4 karena menunjukkan seberapa berhasil proses pengumpulan data Anda di lapangan. Mari hitung bersama dengan angka konkret: Anda menyebar 150 kuesioner ke manajer ekspor UMKM, kembali 112 kuesioner, tapi 7 di antaranya tidak lengkap — misalnya ada halaman yang kosong atau jawaban yang tidak konsisten — sehingga harus dibuang. Langkah pertama, kita hitung kuesioner yang benar-benar valid: 112 dikurangi 7 sama dengan 105. Langkah kedua, kita bagi 105 kuesioner valid itu dengan 150 yang disebar, hasilnya 0,70. Langkah ketiga, kita ubah menjadi persentase dengan mengalikan 100, hasilnya 70 persen response rate. Langkah keempat, kita bandingkan dengan target minimum 105 responden yang sudah kita hitung dari rumus Slovin di slide sebelumnya — ternyata pas memenuhi target. Response rate di atas 30 persen umumnya dianggap memadai untuk survei organisasi di Indonesia, jadi 70 persen ini tergolong sangat baik.

Coba Sendiri: Hitung Response Rate Kuesioner Anda

Ubah jumlah kuesioner yang disebar, kembali, dan tidak lengkap, lalu lihat response rate berubah langsung.

Sebelum Turun Lapangan: Uji Coba Instrumen (Pilot Test)

Kuesioner final tidak langsung disebar ke seluruh sampel — lakukan pilot test ke 20–30 responden dulu untuk memastikan pertanyaan dipahami dengan benar.

LANGKAH 1

UJI BAHASA

Sebar ke 20–30 responden mirip target, cek apakah kalimat membingungkan atau bermakna ganda.

LANGKAH 2

UJI STATISTIK

Hitung validitas (korelasi item-total) dan reliabilitas (Cronbach's Alpha ≥ 0,7) dari hasil pilot.

LANGKAH 3

REVISI

Buang atau perbaiki item yang tidak valid/reliabel sebelum disebar ke sampel penuh.

Melewatkan pilot test adalah kesalahan umum yang berakibat fatal: menyebar 150 kuesioner lalu baru sadar satu item pertanyaan membingungkan semua responden — datanya harus dibuang, waktu terbuang percuma.

Pilot test ini sering dilewatkan mahasiswa karena terburu-buru ingin cepat mengumpulkan data, padahal langkah ini bisa menyelamatkan Anda dari bencana yang jauh lebih besar. Langkah pertama, sebar kuesioner draft ke 20 sampai 30 responden yang karakteristiknya mirip target sampel Anda, lalu perhatikan apakah ada pertanyaan yang membingungkan atau ditafsirkan berbeda-beda. Langkah kedua, dari hasil pilot itu, hitung validitas lewat korelasi item-total dan reliabilitas lewat Cronbach's Alpha, yang idealnya di atas 0,7 — glos singkat, Cronbach's Alpha adalah ukuran konsistensi internal seberapa "kompak" item-item pertanyaan mengukur konsep yang sama. Langkah ketiga, revisi atau buang item yang bermasalah sebelum kuesioner final disebar ke seluruh sampel. Bayangkan skenario terburuk: Anda sudah menyebar 150 kuesioner ke UMKM di seluruh Jepara, baru menyadari satu pertanyaan kunci ditafsirkan berbeda oleh separuh responden — seluruh data itu jadi tidak bisa dipakai, dan Anda harus mengulang dari nol. Pilot test kecil di awal jauh lebih murah daripada kegagalan besar di akhir.

Latihan Kelas: Rancang Populasi-Sampel-Instrumen Anda

Kerjakan dalam kelompok 3–4 orang berdasarkan topik penelitian yang sudah Anda rumuskan di pertemuan 3–4. Tuliskan jawaban di kertas kerja untuk dikonsultasikan minggu depan.

Tugas Kelompok

Definisikan populasi (elemen, wilayah, waktu, karakteristik) topik Anda
Tentukan kriteria inklusi dan eksklusi
Pilih teknik sampling dan jelaskan alasannya
Hitung ukuran sampel minimum (Slovin atau rasio item SEM)
Tentukan teknik pengumpulan data (kuesioner/wawancara/sekunder)

BATAS WAKTU

20 MENIT

Setiap kelompok akan mempresentasikan hasilnya secara singkat (2 menit) di akhir sesi untuk mendapat umpan balik langsung.

Sekarang saatnya mempraktikkan langsung apa yang sudah kita bahas hari ini. Silakan berkumpul dengan kelompok Anda, ambil topik penelitian yang sudah dirumuskan sejak pertemuan ketiga dan keempat, lalu kerjakan lima poin di kartu tugas ini secara berurutan: mulai dari mendefinisikan populasi secara presisi, menentukan kriteria inklusi-eksklusi, memilih teknik sampling beserta alasannya, menghitung ukuran sampel minimum memakai rumus yang sesuai, sampai menentukan teknik pengumpulan datanya. Anda punya waktu 20 menit, dan setelah itu setiap kelompok akan mempresentasikan hasilnya secara singkat selama 2 menit supaya saya bisa memberi umpan balik langsung sebelum Anda menuliskannya secara formal di draft proposal. Jangan ragu bertanya ke saya selama proses berlangsung — lebih baik ada yang diperbaiki sekarang daripada nanti saat sidang proposal. Siapkan kalkulator atau ponsel Anda untuk perhitungan Slovin.

Kesalahan Umum yang Harus Dihindari

Kesalahan	Mengapa Bermasalah	Perbaikan
Populasi didefinisikan terlalu luas ("semua UMKM Indonesia")	Tidak ada kerangka sampel yang bisa diakses	Batasi wilayah, sektor, dan periode waktu
Ukuran sampel dipilih tanpa rumus ("saya ambil 100 saja")	Tidak bisa dipertanggungjawabkan secara ilmiah	Gunakan Slovin atau rasio item SEM
Memakai convenience sampling lalu klaim generalisasi luas	Klaim tidak konsisten dengan teknik yang dipakai	Nyatakan keterbatasan generalisasi secara eksplisit
Melewatkan pilot test sebelum survei penuh	Item bermasalah baru ketahuan setelah data terkumpul	Selalu uji coba ke 20–30 responden dulu

Tabel ini adalah rangkuman jebakan-jebakan yang paling sering saya temui saat membimbing proposal mahasiswa selama bertahun-tahun, jadi simpan baik-baik. Kesalahan pertama, mendefinisikan populasi terlalu luas seperti "semua UMKM Indonesia", membuat penelitian Anda mustahil dieksekusi karena tidak ada satu daftar resmi yang mencakup semuanya — solusinya, batasi dengan tegas wilayah, sektor, dan periode waktu. Kesalahan kedua, memilih ukuran sampel secara asal tanpa rumus, misalnya "saya ambil 100 responden saja karena terasa cukup" — ini akan langsung dipertanyakan dasar perhitungannya oleh dosen penguji, jadi selalu gunakan rumus Slovin atau rasio item SEM yang sudah kita bahas. Kesalahan ketiga, memakai convenience sampling tapi tetap mengklaim hasilnya berlaku untuk seluruh populasi Indonesia — ini tidak konsisten secara metodologis, jadi jujur saja nyatakan keterbatasannya. Kesalahan keempat, melewatkan pilot test, yang risikonya baru terlihat setelah semua data terlanjur terkumpul dan ternyata cacat.

Studi Kasus: Menyusun Sub-Bab Populasi dan Sampel Lengkap

Topik: "Pengaruh Orientasi Ekspor dan Kapabilitas Jaringan terhadap Kinerja Ekspor UMKM Furnitur di Jepara."

Populasi & Sampel

Populasi: UMKM furnitur aktif ekspor di Jepara per 2025 (N=210, data Disperindag)
Teknik: simple random sampling (kerangka sampel tersedia lengkap)
Ukuran sampel (Slovin, e=8%): n ≈ 96 UMKM

Instrumen & Data

Kuesioner skala Likert 1–5 (2 variabel independen, 1 dependen)
Pilot test ke 25 UMKM sebelum survei penuh
Dilengkapi data sekunder realisasi ekspor dari Disperindag Jepara

Studi kasus ini merangkai semua yang sudah kita pelajari hari ini menjadi satu sub-bab utuh yang siap ditulis di proposal. Perhatikan populasinya: UMKM furnitur aktif ekspor di Jepara per tahun 2025, dengan jumlah 210 unit usaha berdasarkan data resmi dari Dinas Perindustrian dan Perdagangan setempat — ini definisi yang presisi, bukan sekadar "UMKM furnitur Indonesia". Karena kerangka sampel dari Disperindag ini tersedia lengkap, peneliti bisa memakai simple random sampling, dan dengan margin of error 8 persen memakai rumus Slovin, didapat ukuran sampel sekitar 96 UMKM. Instrumennya kuesioner skala Likert untuk mengukur dua variabel independen — orientasi ekspor dan kapabilitas jaringan — serta satu variabel dependen kinerja ekspor, yang sebelum disebar penuh sudah melalui pilot test ke 25 UMKM. Penelitian ini juga diperkaya data sekunder realisasi ekspor dari instansi yang sama untuk triangulasi. Inilah contoh sub-bab populasi dan sampel yang lengkap, presisi, dan bisa dipertahankan di sidang proposal.

Rangkuman: Cheat Sheet Populasi-Sampel-Instrumen

Elemen	Pertanyaan Kunci	Alat Bantu
Populasi	Siapa/apa, di mana, kapan, karakteristik khusus?	Kriteria inklusi-eksklusi
Teknik sampling	Kerangka sampel tersedia? Tujuan generalisasi statistik?	Probability vs non-probability
Ukuran sampel	Populasi diketahui atau tidak?	Rumus Slovin / rasio item SEM (5–10×)
Instrumen	Kuantitatif atau kualitatif?	Kuesioner Likert / wawancara / data sekunder
Validasi instrumen	Sudah diuji coba?	Pilot test 20–30 responden + Cronbach's Alpha

Tabel rangkuman ini adalah cheat sheet yang bisa Anda tempel di dekat meja belajar saat menulis Bab 3 proposal. Untuk populasi, selalu jawab empat pertanyaan kunci: siapa atau apa, di mana wilayahnya, kapan periode waktunya, dan apa karakteristik khususnya, lalu tegaskan dengan kriteria inklusi-eksklusi. Untuk teknik sampling, cek dulu apakah kerangka sampel tersedia dan apakah tujuan Anda generalisasi statistik ketat atau eksplorasi mendalam, baru pilih antara probability dan non-probability. Untuk ukuran sampel, kalau populasi Anda diketahui jumlah pastinya, pakai rumus Slovin seperti yang kita hitung tadi; kalau memakai SEM dengan populasi tidak pasti, pakai rasio item indikator dikali 5 sampai 10. Untuk instrumen, sesuaikan dengan pendekatan penelitian Anda, kuantitatif dengan kuesioner Likert atau kualitatif dengan wawancara. Dan jangan lupa, validasi instrumen lewat pilot test sebelum turun ke lapangan secara penuh.

Sebelum Pertemuan Berikutnya

Minggu Depan: Pertemuan 10

Topik: Teknik Analisis Data dan Uji Statistik — memilih antara regresi, SEM, atau analisis kualitatif sesuai desain penelitian yang sudah Anda susun.

TUGAS MANDIRI

DRAFT SUB-BAB

Tuliskan sub-bab populasi, sampel, dan teknik pengumpulan data topik Anda (1–2 halaman), bawa untuk konsultasi.

Semakin matang sub-bab ini sekarang, semakin lancar Anda menyusun Bab 3 penuh di pertemuan 11.

Sebelum kita tutup pertemuan hari ini, mari lihat ke depan. Minggu depan, di pertemuan kesepuluh, kita akan membahas cara memilih teknik analisis data dan uji statistik yang tepat — apakah topik Anda cocok memakai regresi berganda, structural equation modeling, atau analisis kualitatif tematik, semuanya tergantung pada desain penelitian dan jenis data yang sudah kita bahas hari ini. Tugas mandiri untuk minggu depan adalah menuliskan draft sub-bab populasi, sampel, dan teknik pengumpulan data untuk topik penelitian Anda sendiri, sekitar satu sampai dua halaman, lengkap dengan perhitungan ukuran sampelnya, dan bawa untuk kita konsultasikan bersama. Percayalah, semakin matang sub-bab ini Anda kerjakan sekarang, semakin lancar dan cepat Anda menyusun draft Bab 3 penuh di pertemuan kesebelas nanti. Sampai jumpa minggu depan, dan selamat mengerjakan tugasnya.